基于灰色神經網絡模型的美國碳排放預測

王苗 王鵬雅

摘 ?要：該文基于世界銀行數據庫1984—2014年美國的碳排放量、美國人均GDP、美國人口總量、化石燃料能耗百分比、人均耗電量等數據，結合多種預測模型，較為準確地預測了美國未來30年的碳排放量。首先基于灰色預測模型表明，未來30年美國的碳排量將呈現逐年遞增的趨勢。為了進一步提高預測精度，將偏差的關系歸納到BP神經網絡模型中，利用神經網絡模型趨勢外推法對預測結果作進一步完善，預估未來30年美國的碳排量呈現先遞增然后逐年開始遞減的趨勢，即曲線呈現比較明顯的倒U型，與Kuznets曲線相符。

關鍵詞：碳排放 ?《巴黎協定》 ?灰色預測 ?BP神經網絡

中圖分類號：TP183 ? 文獻標識碼：A ? ? ? ? ? 文章編號：1672-3791（2019）05（b）-0202-05

伴隨著全球氣溫升高、海平面上升、冰川和凍土消融等，氣候變暖已經威脅人類的生存與發展。為降低地表升溫速度，減少二氧化碳排放量，2015年聯合國通過了《巴黎氣候變化協定》。中美兩國積極推動了協議的簽署。而美國在2017年宣布退出該協議，對于美國政府的這一決策全球反應強烈。美國退出《巴黎協議》后不僅直接影響到全球的碳排放和溫升控制，同時也影響到世界各國未來的經濟增長。因此，研究美國退出《巴黎協定》后未來30年美國的碳排放量，對于有效分析和控制全球的碳排放量、制定能源戰略、保護環境等有重要的現實意義。

該文基于1984—2014年美國碳排放量的數據，評估2020—2050年美國碳排放的總值及變化趨勢。文獻[1]表明灰色預測模型適用于短期和中期預測，精確度較高，但是在長期預測中可能受到一些擾動因素的影響，會使得預測精度降低。為了進一步提高預測精度，采用BP神經網絡模型對已經得到的結果進行進一步的完善，將灰色預測后的結果作為神經網絡的輸入學習樣本[2]。這種結合算法可以盡可能地減少預測值與原始數據的偏差，預測精度高，使用方便，具有較高的應用價值。

1 ?碳排放量影響因素的選擇與分析

該文結合全球以及美國工業發展的實際情況，從世界銀行數據庫收集1984—2014年美國的碳排放量、人均國內生產總值、人口總量、化石燃料能耗百分比、人均耗電量、溫度等數據。在對這些數據進行數據分析后，確定人均國內生產總值、人口總量、化石燃料能耗百分比、人均耗電量作為影響美國碳排放量的主要影響因子。

2 ?美國碳排放量灰色預測GM（1，1）模型

2.1 灰色預測模型GM（1，1）的構建

灰色預測模型可以對沒有規律的時間序列進行預測，這符合歷年來碳排放量、人均國內生產總值、人口數量、化石燃料能耗百分比、耗電量等的數據走勢規律。利用灰色預測方法建立GM（1，1）預測模型[3]，記，其中（k=1，2，…，20）。對20年美國碳排放量的歷史數據進行模擬并預測未來20年的排放量，利用該數據列建立預測模型的步驟如下。

2.3 碳排放預測值分析

將預測得到的2020—2050年的美國碳排放量結果與實際1984—2014年美國碳排放量進行對比，如圖1所示。

通過上述預測模型得到的2020—2050年美國碳排放量的變化形勢，可以得到如下結論。未來30年美國的碳排量仍然呈現逐年遞增的趨勢，在2030年將達到61.75億t，比2014年上漲了17.5%。雖然世界各國都在積極探索新的綠色能源，進行技術改革與技術創新，但是在未來一段時間內，美國的碳排放量將仍然呈現增長的趨勢。

將預測得到的碳排放量與實際碳排量進行對比，可以看出預測達到較高要求，有較高的曲線擬合度。

3 ?基于BP神經網絡的美國碳排放預測模型

在采用灰色預測模型預測得到未來30年美國的碳排放量呈現逐年遞增的趨勢后，利用神經網絡模型趨勢外推法對預測結果做進一步完善[1]，預測未來30年美國的碳排放量。

3.1 BP神經網絡模型概述

BP神經網絡即多層次反饋型網絡，是一種模糊不確定型的神經元網絡，可以進行自組織、自學習。由于BP人工神經網絡有類似人的大腦思維過程，可以模擬人腦進行不斷地學習與訓練，從而解決某些具有模糊性和不確定性的問題。因此，利用人工神經網絡對美國碳排放量樣本進行分析，通過對新樣本的學習識別與評價，充分考慮影響美國碳排放量每一個因素的權重，從而對美國未來30年的碳排放量進行較為準確的評估。

3.2 數據的分析與處理

由于各個影響因子的量綱不同，因此收集的數據必須通過數據標準化處理。處理后的數據才能用來進行科學研究和數學建模，才適合更加綜合的對比評估。

采用GM（1，1）的方法預測出2020—2050年美國人均國內生產總值、人口總量、化石燃料能耗百分比、人均耗電量的值，然后將其作為學習樣本，用人工神經網絡對美國碳排放量進行預測。

3.3 BP神經網絡的構建

神經網絡可以更好地對多因素影響的碳排放量進行預測。理論上已經證明：具有偏差和至少一個S形隱藏層加上一個線性輸出層的網格，可以較好地逼近任何有理函數[4]。為了達到較好的預測效果，神經網絡模型運用前饋型網絡，其結構是由輸入層、隱含層、輸出層三層組成的。每一個網絡單元可以有多個輸入，但只能有一個輸出，該模型中的輸入層有4個神經元，每個神經元對應一個影響因子（人均國內生產總值、人口總量、化石燃料能耗百分比、人均耗電量），輸入為這些影響因子都是經過數據標準化處理之后的值。輸出層只能有1個神經元，即為美國的碳排放量。其算法流程圖如圖2所示。

3.4 美國碳排放預測模型的訓練及仿真預測

對于BP訓練算法函數，該文選取Levenberg-Marquqrdy訓練方法，即trainlm為訓練函數。與其他算法相比，該算法的收斂速度較快，每次迭代的效率很高。對于大小適中的前向神經網絡，其計算量和存儲量都非常大。在模擬訓練時，把所有收集到的數據分為兩部分，其中一部分數據用于學習訓練，另一部分則用于檢驗神經網絡模型的效果[5]。經過多次修改連接權值、閾值，確定了神經元個數，合理地確定了最優的網格結構，學習訓練效果良好。

訓練結果如圖3所示。

圖3為MALTAB中BP網絡的學習與訓練過程，由圖中可以看出，該算法通過40次訓練就達到了預設的誤差10-6，達到了預定的目標。

將1984—2014年的美國碳排放量為基準值，由MALTAB軟件對2020—2050年美國的碳排放量進行預測，表2為根據人工神經網絡模型預測的2020—2029年美國碳排放量的數據值。

3.5 結果分析

將得到的2020—2050年的美國碳排放量結果與原數據進行對比，如圖4所示。

由上圖可以看到，預測得到的曲線與實際值的數據曲線擬合度較高，數據值非常接近。故建立的BP神經網絡模型可以較精確地預估美國未來30年的碳排放。

通過BP神經網絡模型得到的2020—2050年美國碳排放量的變化形式，可以得到結論：未來30年美國的碳排量呈現先遞增然后逐年開始遞減的趨勢，即圖形呈現比較明顯的倒U型。

4 ?結論

（1）該文首先基于灰色神經網絡模型，預估未來30年美國的碳排量呈現先遞增然后逐年開始遞減的趨勢，即曲線呈現比較明顯的倒U型。

（2）基于該模型得到的預測結果與實際碳排放量相比差距較小，說明該模型在碳排放量預測中是可行的，可以為各國未來規劃有害氣體的排放提供有價值的參考。

（3）該文建立的是一個碳排放預測模型，由于碳排放預測指標涉及社會、環境、能源等各個方面，因此該模型還可以分析碳排放量對社會、能源等各個方面的影響，只需改變影響因子即可。

參考文獻

[1] 李德志，李朝陽，李峰.大氣SO2含量時間序列的BP人工神經網絡預測模型[J].重型機械，2010（3）：31-34.

[2] 劉秋華.基于季節指數和灰色預測的月電量預測模型[J].南京工程學院學報：自然科學版，2006（1）：1-6.

[3] 張利萍.灰色理論在智能控制中的應用[D].北京化工大學，2005.

[4] 朱璐，李永新，陳盛，等.基于BP網絡的足球機器人視覺系統標定——Robocup系列研究之七[J].自動化與儀表，2004（5）：10-13.

[5] 楊新志，何毅.人工神經網絡在測控系統故障診斷中的應用[A].中國自動化學會智能自動化專業委員會，中國人工智能學會計算機視覺及智能控制學會，IEEE控制系統學會北京分會，天津大學.1995年中國智能自動化學術會議暨智能自動化專業委員會成立大會論文集（下冊）[C].1995.